保障企业域环境中的敏感信息与数据的安全一直是安全研究人员所面临的挑战之一。针对这一难题，提出将ATT&CK框架所提供的攻击行为知识库与域安全防御结合，对ATT&CK中涉及的域安全相关战术和技术进行全覆盖，在模拟环境中分析实时产生的日志数据，监控并捕获敏感日志事件和连续异常的日志事件。最后，组织安全领域技术人员进行红蓝实战对抗。对抗结果表明，基于ATT&CK框架能够有效检测域攻击姿势。

随着信息基础建设的发展和移动应用的普及，用户个人信息在使用过程中被应用开发者大量收集，出现了对个人信息的非法泄露和使用问题，严重威胁到了个人信息安全。为了更加高效准确地识别是否存在侵占隐私行为及对应APP类别，提出了一种基于多模态特征的多策略组合的识别算法。首先，该算法采用Word2vec的方法来完成APP相关文本的词汇层面的特征向量表示，随后有针对性地将获得的特征向量输入CNN网络进行分类，接着根据文本分类的结果和多种行为特征集合生成应用程序特征向量，最后结合多种不同的基分类器，采用硬投票的方式预测侵占隐私行为。实验结果表明，经过训练的模型在验证集上的分类结果F1值最高可达91%，该方法可以有效地对侵占隐私类APP进行识别及分类，有助于在大数据时代，保障个人信息安全建设。

入侵检测是保障网络空间安全的一项重要技术。随着入侵者技术手段的升级，新一代的入侵检测系统中需要融入人工智能技术以提升检测效果。提出一种基于图神经网络进程行为嵌入表示的入侵检测方法，该方法将计算机事件日志转化为系统日志对象连接图结构，并在该图上使用图神经网络框架进行顶点嵌入，从而得到计算机内进程行为的向量表达；在此基础上，建立多阶转移模型，为计算机描述整体的进程行为基线，并以偏离该基线的程度作为入侵行为检测的依据。经过多个攻击场景的验证，本文方法能够有效地检测出多种入侵行为。

为了解决如何选取最为有效的工控入侵数据特征集，从而提高入侵检测性能的问题，提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm，ISSA)和孪生支持向量机(Twin Support Vector Machine，TWSVM)的新型工控入侵检测方法(ISSA-TWSVM)。ISSA采用立方混沌映射初始化种群并引入动态惯性权重，融合对位差分进化策略与柯西变异算子，对当前最优解进行交叉变异，从而增强麻雀算法全局搜索和跳出局部最优的能力，并在基准测试函数上证明了ISSA的优秀性能。之后基于ISSA对工控特征子集寻优后，约简数据特征，利用TWSVM对工控数据进行二分类判别。在MSU公布的工控网络标准数据集上的实验结果表明，ISSA-TWSVM可以快速提取出最优特征子集，极大地提高算法检测性能。

针对大数据维数高、非线性强、噪声敏感、故障特征信息冗余、部分历史数据类别标记信息可获取等特点，对适用于非线性数据的t-SNE无监督流形学习方法进行改进，提出一种基于加权判别随机邻域嵌入的故障特征提取算法。在原始高维空间和相应的低维子空间定义包含类别信息的数据相似度，使用Manhattan距离作为度量方式以增大数据相对距离差，基于距离远近关系进行相似度加权，由此充分利用类别标记约束指导降维，使得类间更分散而类内更紧凑。结合KNN方法的UCI仿真数据集分类实验与KDD99网络故障诊断实验，表明该改进故障特征提取算法能够实现更有效的故障诊断。

网络信息安全问责机制建设是国家治理体系和治理能力现代化进程在网络信息安全治理领域的重要一环。在网络信息安全已上升为国家战略的背景下，针对国内外严峻复杂的网络空间环境与形势，提出构建和发展现代化的网络信息安全问责机制。通过结构功能分析和归纳分析，以国家治理现代化为视角深入解析机制的运行内核及其现存困境，最后提出优化我国网络信息安全问责机制的思路和建议。

针对机场中多路实时视频信号的情况，开展了8路视频实时全景拼接的算法研究工作，基本完成了8路视频实时全景拼接算法的设计与实现。首先，借助现有全景图片合成软件，完成了图像配准，即找出每路视频图像到全景图的像素坐标映射关系；完成图像配准之后，根据像素坐标映射关系建立查找表，利用查找表，同时使用OpenMP多核并行加速，完成视频每一帧的实时拼接。相邻两路视频之间的重叠区域使用线性融合的方法进行融合。实验结果表明，该研究方法可完成8路960×540分辨率视频的实时全景拼接，得到无明显畸变全景画面。

药品在实际生产过程中总会伴随着异物、缺粒、药体破损等表面缺陷，这些缺陷轻则影响产品使用效果,重则会在使用过程中产生巨大事故造成生命财产损失。针对深度学习模型在实际工业产品表面缺陷检测中缺陷样本少以及细小缺陷检测精度低的应用问题，将目前主流的目标检测算法之一——YOLOV5应用于药品检测场景，提出了一种精度高、所需标注样本少、检测速度快的one-stage实时缺陷检测系统——RDD_YOLOV5(Real-time Defects Detection_YOLOV5)。利用原始图像初级特征进行数据增强，结合注意力机制与多尺度特征融合，增加骨干网络提取跨通道语义信息能力，充分融合高层语义信息与底层细粒度信息以提升模型在小缺陷检测方面的识别效果，在有限的样本条件下达到较高的准确率。该方法检测效果达到了96.6%mAP，32 FPS。

专利分类是专利分析的基本任务，而基于深度学习的自动化专利分类方法可以有效地执行专利分类任务。现有研究大多利用自然语言处理方法，基于单个专利的文本内容(如摘要和标题)对专利文本进行分类，而专利及标签之间的宏观关系(如专利之间的引用和标签之间的共现)在很大程度上被忽略。为了缓解专利分类中单一专利信息的问题，构建了三个图网络表示专利及其标签之间的宏观关系，然后提出一个基于混合表征学习的专利分类框架，将专利及标签的宏观关系融入分类中，以提高专利的自动化分类的准确性。在真实的专利数据集的实验结果表明，该分类方法在多个评价指标上取得了最佳的性能。

针对行人交通安全问题，开发行人检测系统以提醒行人和司机危险的发生。对目标检测神经网络模型进行分析和对比实验，选取以darknet为网络框架的YOLO-fastest模型进行改进优化并采用分类并标签的实时交通数据进行训练，最终将训练模型部署至开发板完成实时性检测并能够根据车辆速度反馈给行人危险信号。实验结果表明YOLO-fastest模型的平均检测精度为96.1%，检测速度为33 f/s，模型大小为1.2 MB，既满足检测精度又满足检测速度的要求，能够完成对真实交通场景下的实时性检测。

航天发射场指挥显示不仅涉及各大系统的多种方式、多类协议的数据接入，还存在不同参试系统型号以及临时新增参数带来的参数内容、协议字段调整的问题。如何在不更改现有平台软件代码的情况下完成各类接口参数的接收、传输、处理与存储是指显数据引擎架构设计的重点。针对上述情况，提出了一种面向试验任务指挥显示的通用数据引擎架构。该架构基于“平台+组件”的设计思想，通过数据接入、解析、存储组件化，从而实现通过配置，灵活完成指显系统与内外部系统的信息交换，并支持集中式、分布式、混合式多种指显数据接入分发应用模式。

针对自动广播相关监视(ADS-B)数据链存中GPS信号容易受到干扰的情况，提出了一种自动监测和粗定位方法来确定GPS信号干扰源。该技术处理方法在不改变现有ADS-B系统的基础上，只是对系统软件功能进行扩展，利用ADS-B地面站接收的目标数据，实时跟踪每个目标的运动轨迹，制定跟踪规则和算法，开展GPS信号干扰分析，准确获取GPS信号丢失和恢复的时间、经纬度、高度等数据，并与飞机的飞行轨迹进行对比分析，同时将分析数据展现在电子地图上，通过飞行大数据分析降低GPS信号干扰排查成本，提升人工排查GPS信号干扰源的效率，减少民航飞行安全隐患。

针对一些测控任务对各类测控数据的分析利用程度较低的问题，提出了一种综合分析测控设备的工作状态，并形成相关辅助决策信息的技术。并且基于“主框架+组件”的模式，设计实现了相应的软件系统，系统通过汇集测控设备上报的各类测量数据信息，对测量数据的实时性、准确性、稳定性、有效性等进行综合分析，形成辅助决策结论。目前该系统已成功应用于实际工程，对未来测控任务的执行具有一定的借鉴价值。